przepływ tensorowy:: ops:: Konw2D

Oblicza splot 2-D przy input 4-D i tensorach filter .

Streszczenie

Biorąc pod uwagę tensor wejściowy kształtu [batch, in_height, in_width, in_channels] i tensor filtra/jądra kształtu [filter_height, filter_width, in_channels, out_channels] , ta operacja wykonuje następujące czynności:

1. Spłaszcza filtr do macierzy 2-D o kształcie [filter_height * filter_width * in_channels, output_channels] .
2. Wyodrębnia fragmenty obrazu z tensora wejściowego, tworząc wirtualny tensor kształtu [batch, out_height, out_width, filter_height * filter_width * in_channels] .
3. Dla każdej łaty mnoży w prawo macierz filtra i wektor łaty obrazu.

Szczegółowo, w domyślnym formacie NHWC,

output[b, i, j, k] =
    sum_{di, dj, q} input[b, strides[1] * i + di, strides[2] * j + dj, q] *
                    filter[di, dj, q, k]

Musi mieć strides[0] = strides[3] = 1 . W najczęstszym przypadku tych samych kroków poziomych i wierzchołków, strides = [1, stride, stride, 1] .

Argumenty:

• zakres: Obiekt Scope
• wejście: tensor 4-D. Kolejność wymiarów jest interpretowana zgodnie z wartością data_format , szczegóły znajdziesz poniżej.
• filtr: 4-D tensor kształtu [filter_height, filter_width, in_channels, out_channels]
• kroki: tensor 1-D o długości 4. Krok przesuwanego okna dla każdego wymiaru input . Kolejność wymiarów jest określana przez wartość data_format , szczegóły znajdziesz poniżej.
• dopełnienie: typ algorytmu dopełniania, który ma zostać użyty.

Opcjonalne atrybuty (patrz Attrs ):

• express_paddings: Jeśli padding ma wartość "EXPLICIT" , lista jawnych ilości dopełnienia. W przypadku i-tego wymiaru ilość dopełnienia wstawionego przed i po wymiarze wynosi odpowiednio explicit_paddings[2 * i] i explicit_paddings[2 * i + 1] . Jeśli padding nie jest "EXPLICIT" , explicit_paddings musi być puste.
• data_format: Określ format danych wejściowych i wyjściowych. Przy domyślnym formacie „NHWC” dane są zapisywane w kolejności: [partia, wysokość, szerokość, kanały]. Alternatywnie formatem może być „NCHW”, a kolejność przechowywania danych: [partia, kanały, wysokość, szerokość].
• dylatacje: 1-D tensor długości 4. Współczynnik dylatacji dla każdego wymiaru input . Jeśli ustawione na k > 1, pomiędzy każdym elementem filtrującym w tym wymiarze zostanie pominiętych komórek k-1. Kolejność wymiarów jest określona przez wartość data_format , szczegóły znajdziesz powyżej. Dylatacje w wymiarach partii i głębokości muszą wynosić 1.

Zwroty:

• Output : tensor 4-D. Kolejność wymiarów jest określana przez wartość data_format , szczegóły znajdziesz poniżej.

Atrybuty publiczne

Operation operation

::tensorflow::Output output

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding
)

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding,
  const Conv2D::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs DataFormat(
  StringPiece x
)

Attrs Dilations(
  const gtl::ArraySlice< int > & x
)

Attrs ExplicitPaddings(
  const gtl::ArraySlice< int > & x
)

Attrs UseCudnnOnGpu(
  bool x
)